互补集合自适应最稀疏窄带分解及其应用

论文摘要

自适应最稀疏窄带分解（Adaptive Sparsest Narrow-band Decomposition,ASNBD）是在包含内禀模态函数（Intrinsic Mode Functions, IMF）的过完备字典库中搜索信号的最稀疏解,将信号分解转化为优化问题,但在强噪声干扰时计算精度仍有待提高。因此在结合了互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）算法,得到了新的互补集合自适应最稀疏窄带分解（Complementary Ensemble Adaptive Sparsest Narrow-band Decomposition,CE-ASNBD）方法。此方法是加入成对符号相反的白噪声到目标信号,从而减小重构误差,在对滤波器参数的优化过程中实现信号的自适应分解。对仿真和实验数据的分析结果表明,该方法在抑制模态混淆、端点效应、性能、提高分量的正交性和准确性等方面要优于CEEMD和ASNBD方法,并能有效应用于滚动轴承故障诊断。

论文目录

• 1 基于CE的ASNBD优化方法
•   1.1 ASNBD
•     1.1.1 内禀窄带分量
•     1.1.2 奇异局部线性算子
•     1.1.3 ASNBD方法的步骤
•   1.2 CE-ASNBD
•     1.2.1 CE
•     1.2.2 CE-ASNBD
•       1)对r1
•       2)建立滤波器Χ（k|λ）如下
•       3)解决如下非线性无约束优化问题P3:
•       4)得到最优参数λ0后,令
• 2 仿真对比分析
• 3 实验信号分析
• 4 结 论

文章来源

类型: 期刊论文

作者: 陈君航,彭延峰,李学军,韩清凯,李鸿光

关键词: 故障诊断,滚动轴承,自适应最稀疏窄带分解,互补集合经验模态分解,局部窄带信号

来源: 振动与冲击 2019年20期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 湖南科技大学湖南省机械设备健康维护重点实验室,湖南科技大学先进矿山装备教育部工程研究中心,大连理工大学机械工程学院,上海交通大学机械系统与振动国家重点实验室

基金: 国家重点研发计划(2018YFF0212902),国家自然科学基金(51805161),湖南省自然科学基金(2018JJ3187)

分类号: TH133.33

DOI: 10.13465/j.cnki.jvs.2019.20.006

页码: 31-37

总页数: 7

文件大小: 3513K

下载量: 73